Bioingeniería: Las innovaciones de algoritmos hacen que las interfaces cerebro-computadora sean más fuertes y flexibles
21 de abril de 2020| Historia original de la Universidad de Pittsburgh
Emily Oby es una investigadora postdoctoral de bioingeniería en la Universidad de Pittsburgh. Ella, junto con colegas de la Universidad Pitt y Carnegie Mellon han estado investigando cómo el cerebro aprende tareas. Crédito: Aimee Obidzinski/Universidad de Pittsburgh
Cuando las personas sufren lesiones debilitantes o enfermedades del sistema nervioso, a veces pierden la capacidad de realizar tareas rutinarias, como caminar, tocar música o conducir un coche. Pueden imaginarse haciendo algo, pero la lesión podría bloquear esa acción de ocurrir.
Existen sistemas de interfaz cerebro-computadora que pueden traducir las señales cerebrales en una acción deseada para recuperar alguna función, pero no siempre funcionan sin problemas y necesitan reajustes para completar incluso tareas simples.
Investigadores de la Universidad de Pittsburgh y la Universidad Carnegie Mellon están trabajando en la comprensión de cómo funciona el cerebro al aprender tareas con la ayuda de la tecnología de interfaz cerebro-ordenador. En un conjunto de artículos, el segundo de los cuales fue publicado hoy en NatureBiomedicalEngineering, el equipo está moviendo la aguja hacia adelante en la tecnología de interfaz cerebro-computadora destinada a ayudar a mejorar la vida de los pacientes amputados que utilizan prótesis neuronales.
“Supongamos que, durante su jornada laboral, planea una visita nocturna a la tienda de comestibles”, dijo Aaron Batista, profesor asociado de bioingeniería en la Escuela de Ingeniería Swanson de Pitt. “Ese plan se mantiene en algún lugar del cerebro durante todo el día, pero probablemente no llegue a la corteza motora hasta que llegues a la tienda. Estamos desarrollando tecnologías de interfaz cerebro-computadora que, con suerte, algún día funcionarán al nivel de nuestras intenciones cotidianas”.
Batista, Emily Oby, investigadora postdoctoral de Pitt, y los investigadores de Carnegie Mellon han colaborado en el desarrollo de vías directas desde el cerebro hasta dispositivos externos. Utilizan electrodos más pequeños que un cabello que registran la actividad neuronal y lo ponen a disposición para algoritmos de control.
En el primer estudio del equipo, publicado el pasado mes de junio en el journalProceedings of the National Academy of Sciences, el grupo examinó cómo cambiael cerebro con el aprendizaje de nuevas habilidades de interfaz cerebro-computadora.
“Cuando los sujetos forman una intención motora, esto causa patrones de actividad a través de esos electrodos, y los representamos como movimientos en la pantalla de una computadora. Los sujetos luego alteran sus patrones de actividad neuronal de una manera que evoca los movimientos que quieren realizar”, dijo el codirector del proyecto Steven Chase, Profesor de Ingeniería Biomédica en el Instituto de Neurociencia, en Carnegie Mellon.
En el nuevo estudio, el equipo diseñó una tecnología mediante la cual la interfaz cerebro-computadora se reajusta continuamente en segundo plano, para garantizar que el sistema esté siempre en calibración y listo para usar.
“Cambiamos la forma en que la actividad neuronal afecta el movimiento del cursor, y esto evoca el aprendizaje”, dijo Oby, una de las autoras principales del estudio. “Al cambiar esa relación de cierta manera, requirió que nuestros sujetos experimentales (primates no humanos) produjeran nuevos patrones de actividad neuronal para aprender a controlar el movimiento del cursor de nuevo. Hacerlo les llevó semanas de práctica, y pudimos ver cómo el cerebro cambió a medida que aprendían”.
En cierto sentido, el algoritmo “aprende” a ajustarse al ruido y la inestabilidad inherentes a las interfaces de grabación neuronal. Los hallazgos sugieren que el proceso para que los seres humanos dominen una nueva habilidad implica la generación de nuevos patrones de actividad neuronal. El equipo eventualmente desea que esta tecnología se utilice en un entorno clínico para la rehabilitación de accidentes cerebrovasculares.
Estos procedimientos de autorrecalibración han sido un objetivo largamente buscado en el campo de las prótesis neuronales, y el método presentado en los estudios del equipo es capaz de recuperarse automáticamente de las inestabilidades sin necesidad de que el usuario se detenga para recalibrar el sistema por sí mismo.
“Digamos que la inestabilidad era tan grande que el sujeto ya no era capaz de controlar la interfaz cerebro-computadora”, dijo Yu. “Es probable que los procedimientos de autorrecalibración existentes se encuentren limitados por este escenario, mientras que, con nuestro método, hemos demostrado que en muchos casos puede recuperarse incluso de las inestabilidades más dramáticas”.
Este artículo ha sido reeditado para adecuar su longitud y contenido.
Referencia: Degenhart, A. D., Bishop, W. E., Oby, E. R., Tyler-Kabara, E. C., Chase, S. M., Batista, A. P., & Yu, B. M. (2020). Stabilization of a brain–computer interface via the alignment of low-dimensional spaces of neural activity. Nature Biomedical Engineering, 1–14.
https://doi.org/10.1038/s41551-020-0542-9
